针对铝型材瑕疵尺寸差异显著、瑕疵识别率低以及边缘设备实施检测难等问题，提出一种融合迁移学习与测试时增强的轻量化铝型材瑕疵分类方法。首先，使用预训练MobileViT-XXS模型进行迁移微调学习，对顶层MobileViT模块、最终卷积层、分类层权重实施微调。其次，设计了微调阶段和测试阶段对称的弱数据增强策略：水平翻转和图像缩小，同时在微调阶段的数据增强过程中引入随机性，按50%概率进行水平翻转。最后，利用模型对每个增强样本独立预测，以概率均值融合集成预测结果。实验结果证明，在相同微调策略下，相比于无特定增强的MobileViT-XXS迁移微调模型，这种轻量化方法准确率相对提高2.74%,F1值相对提高2.81%。